biaya pengambilan sampel

9

Saya menemukan masalah simulasi berikut: diberi satu set dari bilangan real yang diketahui, distribusi pada { - 1 , 1 } d didefinisikan oleh P ( X = ( x 1 , ... , x d ) ) ( x 1 ω 1 + + x d ω d ) + di mana ( z ){ω1,...,ωd}{-1,1}d

P(X=(x1,...,xd))(x1ω1+...+xdωd)+
menunjukkan bagian positif dari z . Sementara saya bisa memikirkan sampler Metropolis-Hastings menargetkan distribusi ini, saya bertanya-tanya apakah ada sampler langsung yang efisien, mengambil keuntungan dari sejumlah besar probabilitas nol untuk mengurangi urutan algoritma dari O ( 2 d ) ke O ( d ) .(z)+zHAI(2d)HAI(d)
Xi'an
sumber

Jawaban:

4

Berikut adalah sampler rekursif yang cukup jelas yaitu dalam kasus terbaik (dalam hal bobot ω i ), tetapi eksponensial dalam kasus terburuk.HAI(d)ωsaya

Misalkan kita sudah memilih , dan ingin memilih x i . Kita perlu menghitung w ( x 1 ,x1,...,xsaya-1xsaya dan pilihxi=1dengan probabilitasw(x1,,x i - 1 ,1)

w(x1,...,xsaya-1,xsaya)=xsaya+1{-1,1}xd{-1,1}(j=1dωjxj)+
xsaya=1 Penyebut akan menjadi nol untuk setiap pilihan sampel yang validx1,,xi-1.
w(x1,...,xsaya-1,1)w(x1,...,xsaya-1,1)+w(x1,...,xsaya-1,-1).
x1,...,xsaya-1

Sekarang, tentu saja, pertanyaannya adalah bagaimana cara menghitung .w(x1,...,xsaya)

Jika kita memiliki , lalu ω x 0 untuk setiap x dengan entri terkemuka x 1 : i , dan jadi w menjadi: x i + 1x d ω xC: =j=1sayaωjxjj=saya+1d|ωj|ωx0xx1:sayaw

xsaya+1xdωx=ω(xsaya+1xdx)=j=1sayaωj(xsaya+1xdxj)2d-sayaxj+j=saya+1dωj(xsaya+1xdxj)0=2d-sayaC.

Dalam kasus sebaliknya, C-j=saya+1d|ωj|ωx0w(x1,...,xsaya)=0

w(x1,...,xsaya)=w(x1,...,xsaya,1)+w(x1,...,xsaya,-1)

w(1)w(-1)x1wHAI(d)


ωsayaω1ω2ωd

Dalam kasus terbaik, |ω1|>j=2d|ωj|w(1)w(-1)wHAI(d)

ω1=ω2==ωd

Nah, jalur pertama untuk mengakhiri tentu saja (1,1,...,1)(-1,-1,...,-1)d/2HAI(2d/2)2d/2

ωsayaωsayad

Dougal
sumber
Terima kasih untuk jenis eliminasi Viterbi ini. Ketika Anda menulis "Dalam kasus sebaliknya", Saya menganggap Anda tidak bermaksud melengkapi kasus pertama C i
Csaya-j=saya+1d|ωj|
Csayaj=saya+1d|ωj|
1
Tidak, bukan komplemen: ketika sangat besar Anda tahu pemotongan tidak diterapkan, ketika sangat kecil itu selalu diterapkan, dan di antara Anda harus berulang kali mencari tahu kapan itu diterapkan atau tidak diterapkan.
Dougal